本文为您介绍如何创建PyODPS 3节点，以及在DataWorks使用PyODPS 3的限制。

背景信息

  • DataWorks支持可视化创建Python资源，如果您需要在PyODPS节点中调用第三方包，请使用独享调度资源组并通过运维助手进行安装。
  • DataWorks运维助手中安装的Python第三方包，仅支持在DataWorks独享调度资源组本地运行PyODPS任务代码时引用，如果需要在MaxCompute的Python UDF中引用Python第三方包，详情请参见Python UDF使用第三方包。
  • 如果您的PyODPS任务需要访问特殊的网络环境（如VPC网络或IDC网络中的数据源或服务等），请使用独享调度资源组，并参考网络连通解决方案打通独享资源组与目标环境的网络连通。
  • PyODPS语法及更多信息请参见PyODPS文档。
  • PyODPS节点分为PyODPS 2和PyODPS 3两种，二者的区别在于底层Python语言版本不同。PyODPS 2底层Python语言版本为Python 2，PyODPS 3底层Python语言版本为Python 3，请您根据实际使用的Python语言版本创建PyODPS节点。

使用限制

  • DataWorks建议您在PyODPS节点内获取到本地处理的数据不超过50 MB，该操作受限于DataWorks执行资源的不同规格（包括公共调度资源组和独享调度资源组），处理的本地数据过多并超出操作系统阈值时可能发生OOM（Got killed）错误。请避免在PyODPS节点中写入过多的数据处理代码。详情请参见高效使用PyODPS最佳实践。
  • 如果您发现有Got killed报错，即表明内存使用超限，进程被中止。因此，请尽量避免本地的数据操作。通过PyODPS发起的SQL和DataFrame任务（除to_pandas外）不受此限制。
  • 非自定义函数代码可以使用平台预装的Numpy和Pandas。不支持其他带有二进制代码的三方包。
  • 由于兼容性原因，在DataWorks中，options.tunnel.use_instance_tunnel默认设置为False。如果需要全局开启instance tunnel，需要手动将该值设置为True。
  • 当Python 3的子版本号不同（例如Python 3.8和Python 3.7）时，字节码的定义有所不同。

    目前MaxCompute使用的Python 3版本为3.7，当使用其它版本Python 3中的部分语法（例如Python 3.8中的finally block）时，执行会报错，建议您选择Python 3.7。

  • PyODPS 3支持运行在公共资源组和2020年4月之后购买的独享调度资源组上。如果您的独享调度资源组的创建时间较早，请通过DataWorks交流群联系值班同学升级资源组。
更多PyODPS节点使用与限制说明，请参见使用限制。

使用流程

更多关于PyODPS语法说明，请参见PyODPS文档。
操作说明
新建PyODPS 3节点DataWorks提供PyODPS 3节点类型，集成了MaxCompute的Python SDK。您可以创建PyODPS节点直接编辑Python代码。
ODPS入口DataWorks的PyODPS 3节点中，将会包含一个全局的变量odps或o，即ODPS入口，您无需手动定义ODPS入口。
执行SQLPyODPS 3支持ODPS SQL的查询，您可以在PyODPS节点中执行SQL。
设置运行参数您可以通过设置hints参数，来设置运行时的参数。参数类型是dict。
读取运行结果您可以读取SQL执行结果。
DataFrame您还可以通过DataFrame的方式处理数据。
配置调度属性若节点需要周期性调度，您需要定义节点调度时的相关属性。
提交节点您可以提交节点，标准模式工作空间提交任务后，任务仅在开发环境生效，开发环境中的任务不进行自动调度，您需要通过任务发布流程，将任务发布至生产环境后，任务才会周期调度运行。

新建PyODPS 3节点

  1. 进入数据开发页面。
    1. 登录DataWorks控制台。
    2. 在左侧导航栏，单击工作空间列表。
    3. 选择工作空间所在地域后，单击相应工作空间后的数据开发。
  2. 鼠标悬停至新建图标，单击MaxCompute > PyODPS 3。
    您也可以展开业务流程目录下的目标业务流程，右键单击MaxCompute，选择新建 > PyODPS 3。

    如果您需要创建业务流程，请参见创建周期业务流程。

  3. 在新建节点对话框中，输入节点名称，并选择目标文件夹。
  4. 单击提交。

ODPS入口

DataWorks的PyODPS 3节点中，将会包含一个全局的变量odps或o，即ODPS入口，您无需手动定义ODPS入口。 
print(odps.exist_table('PyODPS_iris'))

执行SQL

您可以在PyODPS节点中执行SQL，详情请参见SQL。

Dataworks上默认未开启instance tunnel，即instance.open_reader默认使用Result接口（最多一万条记录）。您可以通过reader.count获取记录数。如果您需要迭代获取全部数据，则需要关闭limit限制。您可以通过下列语句在全局范围内打开Instance Tunnel并关闭limit限制。 
options.tunnel.use_instance_tunnel = True
options.tunnel.limit_instance_tunnel = False  # 关闭limit限制，读取全部数据。

with instance.open_reader() as reader:
    # 通过Instance Tunnel可读取全部数据。

您也可以通过在open_reader上添加tunnel=True，实现仅对本次open_reader开启instance tunnel。同时，您还可以添加 limit=False，实现仅对本次关闭limit限制。

with instance.open_reader(tunnel=True, limit=False) as reader:
# 本次open_reader使用Instance Tunnel接口，且能读取全部数据。

设置运行参数

您可以通过设置hints参数，来设置运行时的参数，参数类型是dict。 Hints参数的详情请参见SET操作。
o.execute_sql('select * from PyODPS_iris', hints={'odps.sql.mapper.split.size': 16})
对全局配置设置sql.settings后，每次运行时，都需要添加相关的运行时的参数。 
from odps import options
options.sql.settings = {'odps.sql.mapper.split.size': 16}
o.execute_sql('select * from PyODPS_iris')  # 根据全局配置添加hints。

读取运行结果

运行SQL的实例能够直接执行open_reader的操作，有以下两种情况：
  • SQL返回了结构化的数据。 
    with o.execute_sql('select * from dual').open_reader() as reader:
for record in reader:  # 处理每一个record。
  • 可能执行的是desc等SQL语句，通过reader.raw属性，获取到原始的SQL执行结果。 
    with o.execute_sql('desc dual').open_reader() as reader:
print(reader.raw)
    说明 如果使用了自定义调度参数，页面上直接触发运行PyODPS 3节点时，需要写死时间，PyODPS节点无法直接替换。

DataFrame

  • 执行

    在DataWorks的环境里，DataFrame的执行需要显式调用立即执行的方法。

    from odps.df import DataFrame
iris = DataFrame(o.get_table('pyodps_iris'))
for record in iris[iris.sepal_width < 3].execute():  # 调用立即执行的方法，处理每条Record。

    如果您需要在Print时调用立即执行，需要开启options.interactive。

    from odps import options
from odps.df import DataFrame
options.interactive = True  # 在开始处打开开关。
iris = DataFrame(o.get_table('pyodps_iris'))
print(iris.sepal_width.sum())  # Print时会立即执行。
  • 打印详细信息

    通过设置options.verbose选项。在DataWorks上，默认已经处于打开状态，运行过程会打印Logview等详细过程。

配置调度属性

单击节点编辑区域右侧的调度配置，在参数区域配置自定义参数，PyODPS节点与SQL节点定义变量的方式不同，详情请参见调度参数配置。

与DataWorks中的SQL节点不同，为了避免影响代码，PyODPS节点不会在代码中替换 ${param_name}这样的字符串，而是在执行代码前，在全局变量中增加一个名为args的dict，调度参数可以在此获取。例如，在参数中设置ds=${yyyymmdd}，则可以通过以下方式在代码中获取该参数。

print('ds=' + args['ds'])
ds=20161116
说明 如果您需要获取名为ds=${yyyymmdd}的分区，则可以使用如下方法。
o.get_table('table_name').get_partition('ds=' + args['ds'])

提交节点

重要 提交节点前，您需要设置重跑属性和依赖的上游节点。
  1. 单击工具栏中的提交图标。
  2. 在提交新版本对话框中，输入备注。
  3. 单击确认。
如果您使用的是标准模式的工作空间，提交节点后，请单击右上角的发布。详情请参见发布任务。

任务运维，详情请参见：周期任务运维概述

如何判断Python自定义脚本任务的成功完成

判断逻辑和Shell节点一致，详情请参见： 如何判断Shell自定义脚本任务的成功完成。

常见问题

PyODPS常见问题。